본 학위논문에서는 태양 플레어(Solar Flare) 예보 모델 개발, 태양 자기장지도를 이용한 태양 자외선(UV)과 극자외선(EUV) 영상 생성, 그리고 태양 자기장지도의 노이즈 제거에 딥러닝(Deep Learning)을 적용하는 연구를 수행하였다. 첫 번째로 우리는 태양 플레어 예측에 딥러닝을 적용하였다. 이를 위하여 우리는 3가지 ...
본 학위논문에서는 태양 플레어(Solar Flare) 예보 모델 개발, 태양 자기장지도를 이용한 태양 자외선(UV)과 극자외선(EUV) 영상 생성, 그리고 태양 자기장지도의 노이즈 제거에 딥러닝(Deep Learning)을 적용하는 연구를 수행하였다. 첫 번째로 우리는 태양 플레어 예측에 딥러닝을 적용하였다. 이를 위하여 우리는 3가지 합성곱신경망(Convolutional Neural Network, CNN) 모델을 사용하였는데, 그중 두 모델은 AlexNet, GoogLeNet 이며 나머지 한 모델은 우리가 새로 제안한 모델이다. 모델의 입력으로는 1996년 5월부터 2010년 12월까지 Solar Heliospheric Observatory (SoHO)/Michelson Doppler Imager (MDI)가, 2011년 1월부터 2017년 6월까지 Solar Dynamics Observatory (SDO)/Helioseismic and Magnetic Imager (HMI)가 관측한 매일 00:00 UT의 태양 전면(Full-disk) 자기장지도를 사용하였다. 모델의 출력으로는 GOES 위성에서 관측한 태양 플레어 발생 여부를 사용하였다. 우리는 태양주기(Solar Cycle, SC) 23에 해당하는 1996년부터 2008년까지의 데이터를 모델의 훈련에 사용하였으며 SC 24에 해당하는 2009년부터 2017까지의 데이터를 모델의 평가에 사용하였다. 그 후 세 CNN 모델의 결과를 이전 선행연구 세 개의 결과와 예보 통계치 관점에서 비교하였다. 그 결과, 우리는 다음과 같은 결과를 얻을 수 있었다. 1) 우리는 영상 전처리나 입력인자 추출 과정을 거치지 않은 태양 자기장지도에 CNN을 적용하였다. 2) 위의 세 CNN 모델의 결과는 선행연구에 비교하여 볼 때, Heidke Skill Score (HSS)와 True Skill Statistics (TSS) 관점에서는 조금 우수하며, False Alarm Ratio (FAR)와 Critical Success Index (CSI) 관점에서는 매우 우수함을 확인하였다. 3) 우리가 제안한 CNN 모델은 AlexNet과 GoogLeNet에 비교하였을 때 FAR을 제외한 모든 예보 통계치에서 우수함을 확인하였다. 본 연구 결과는 다양한 태양 플레어 예보 모델의 성능 향상과 다양한 유형의 우주환경 예보 모델의 개발에 딥러닝이 적용될 수 있음을 보여준다. 두 번째로 태양 자외선 및 극자외선 영상 생성에 딥러닝을 적용하였다. 이를 위하여 우리는 두 개의 CNN 모델(Model A, B)을 고려하였다. Model A는 손실함수로 L1 loss ( )를, Model B는 와 cGAN loss ()를 사용하였다. 데이터로는 SDO/Atmospheric Imaging Assembly (AIA) 9개 대역의 자외선 및 극자외선 영상과 SDO/HMI line-of-signt (LOS) 자기장지도의 쌍을 사용하였다. 그중 2011년부터 2016년까지의 쌍을 모델 훈련, 2017년 1월부터 2017년 6월까지의 쌍을 모델 검증, 2017년 7월부터 2017년 12월까지의 쌍을 모델 평가에 사용하였다. 그 결과, 우리는 다음과 같은 결과를 얻을 수 있었다. 1) 우리의 모델들은 태양 자기장지도를 이용하여 태양 자외선 및 극자외선 영상을 성공적으로 생성하였다. 2)세 가지의 평가 지표(픽셀 간 상관계수, 상대적 오류, 10%미만의 픽셀 오차가 있는 픽셀의 백분율)를 고려하였을 때 Model A의 결과가 대부분 Model B의 결과와 비슷하거나 약간 우수하였다. 3) 생성된 영상의 대조비를 측정해보았을 때, 모델 B가 생성한 영상이 Model A가 생성한 영상보다 매우 선명하였는데, 이는 Model B가 선명하고 실제와 같은 영상을 생성하는데 특화된 을 손실함수에 포함하였기 때문이다. 본 연구 결과는 다양한 대역에서 동시 관측이 이루어지는 많은 과학 분야에 딥러닝이 적용될 수 있음을 보여준다. 마지막으로 우리는 태양 자기장지도의 노이즈 제거에 딥러닝을 적용하였다. 우리가 제안한 모델은 조건부 적대적 생성망(conditional Generative Adversarial Network, cGAN) 기반의 모델로 단일 프레임의 자기장지도를 입력받아 노이즈를 제거한다. 입력으로는 태양 중심부의 SDO/HMI 자기장지도 단일 프레임을 사용하였다. 표적으로는 입력과 같은 위치에서 태양 자전을 고려하여 선택한 SDO/HMI 자기장지도의 21 프레임을 평균하여 노이즈를 제거한 자기장지도를 사용하였다. 2013년 1월부터 2013년 10월까지 입력과 표적 7004쌍을 모델 훈련, 2013년 11월 707쌍을 모델 검증, 2013년 12월 736쌍을 모델 평가에 사용하였다. 그 결과, 우리는 다음과 같은 결과를 얻을 수 있었다. 1) 우리가 제안한 모델은 SDO/HMI 자기장지도의 노이즈를 성공적으로 제거하였고 모델이 노이즈를 제거한 자기장지도는 표적 자기장지도와 매우 일치한다. 2) 모델이 노이즈를 제거한 자기장지도의 평균 노이즈레벨은 3.5 G로 입력 자기장지도의 평균 노이즈레벨인 8.7 G에 비하여 매우 낮고, 표적 자기장지도의 평균 노이즈레벨인 3.5 G와 매우 근접하다. 3) 모델 결과물과 표적 자기장지도 사이의 평균 픽셀 간 상관계수 값은 0.93으로, 이는 입력 자기장지도와 표적 자기장지도 사이의 평균 픽셀 간 상관계수인 0.87에 비교해보았을 때 뚜렷한 개선을 보여주었다. 본 연구 결과는 긴 노출시간을 통한 관측과 많은 관측 자료의 통합을 통하여 신호대 잡음비를 향상시키는 많은 과학 분야에 딥러닝이 적용될 수 있음을 보여준다. 주요어: 태양:흑점폭발 | 태양:대기 | 태양:자기장
본 학위논문에서는 태양 플레어(Solar Flare) 예보 모델 개발, 태양 자기장지도를 이용한 태양 자외선(UV)과 극자외선(EUV) 영상 생성, 그리고 태양 자기장지도의 노이즈 제거에 딥러닝(Deep Learning)을 적용하는 연구를 수행하였다. 첫 번째로 우리는 태양 플레어 예측에 딥러닝을 적용하였다. 이를 위하여 우리는 3가지 합성곱신경망(Convolutional Neural Network, CNN) 모델을 사용하였는데, 그중 두 모델은 AlexNet, GoogLeNet 이며 나머지 한 모델은 우리가 새로 제안한 모델이다. 모델의 입력으로는 1996년 5월부터 2010년 12월까지 Solar Heliospheric Observatory (SoHO)/Michelson Doppler Imager (MDI)가, 2011년 1월부터 2017년 6월까지 Solar Dynamics Observatory (SDO)/Helioseismic and Magnetic Imager (HMI)가 관측한 매일 00:00 UT의 태양 전면(Full-disk) 자기장지도를 사용하였다. 모델의 출력으로는 GOES 위성에서 관측한 태양 플레어 발생 여부를 사용하였다. 우리는 태양주기(Solar Cycle, SC) 23에 해당하는 1996년부터 2008년까지의 데이터를 모델의 훈련에 사용하였으며 SC 24에 해당하는 2009년부터 2017까지의 데이터를 모델의 평가에 사용하였다. 그 후 세 CNN 모델의 결과를 이전 선행연구 세 개의 결과와 예보 통계치 관점에서 비교하였다. 그 결과, 우리는 다음과 같은 결과를 얻을 수 있었다. 1) 우리는 영상 전처리나 입력인자 추출 과정을 거치지 않은 태양 자기장지도에 CNN을 적용하였다. 2) 위의 세 CNN 모델의 결과는 선행연구에 비교하여 볼 때, Heidke Skill Score (HSS)와 True Skill Statistics (TSS) 관점에서는 조금 우수하며, False Alarm Ratio (FAR)와 Critical Success Index (CSI) 관점에서는 매우 우수함을 확인하였다. 3) 우리가 제안한 CNN 모델은 AlexNet과 GoogLeNet에 비교하였을 때 FAR을 제외한 모든 예보 통계치에서 우수함을 확인하였다. 본 연구 결과는 다양한 태양 플레어 예보 모델의 성능 향상과 다양한 유형의 우주환경 예보 모델의 개발에 딥러닝이 적용될 수 있음을 보여준다. 두 번째로 태양 자외선 및 극자외선 영상 생성에 딥러닝을 적용하였다. 이를 위하여 우리는 두 개의 CNN 모델(Model A, B)을 고려하였다. Model A는 손실함수로 L1 loss ( )를, Model B는 와 cGAN loss ()를 사용하였다. 데이터로는 SDO/Atmospheric Imaging Assembly (AIA) 9개 대역의 자외선 및 극자외선 영상과 SDO/HMI line-of-signt (LOS) 자기장지도의 쌍을 사용하였다. 그중 2011년부터 2016년까지의 쌍을 모델 훈련, 2017년 1월부터 2017년 6월까지의 쌍을 모델 검증, 2017년 7월부터 2017년 12월까지의 쌍을 모델 평가에 사용하였다. 그 결과, 우리는 다음과 같은 결과를 얻을 수 있었다. 1) 우리의 모델들은 태양 자기장지도를 이용하여 태양 자외선 및 극자외선 영상을 성공적으로 생성하였다. 2)세 가지의 평가 지표(픽셀 간 상관계수, 상대적 오류, 10%미만의 픽셀 오차가 있는 픽셀의 백분율)를 고려하였을 때 Model A의 결과가 대부분 Model B의 결과와 비슷하거나 약간 우수하였다. 3) 생성된 영상의 대조비를 측정해보았을 때, 모델 B가 생성한 영상이 Model A가 생성한 영상보다 매우 선명하였는데, 이는 Model B가 선명하고 실제와 같은 영상을 생성하는데 특화된 을 손실함수에 포함하였기 때문이다. 본 연구 결과는 다양한 대역에서 동시 관측이 이루어지는 많은 과학 분야에 딥러닝이 적용될 수 있음을 보여준다. 마지막으로 우리는 태양 자기장지도의 노이즈 제거에 딥러닝을 적용하였다. 우리가 제안한 모델은 조건부 적대적 생성망(conditional Generative Adversarial Network, cGAN) 기반의 모델로 단일 프레임의 자기장지도를 입력받아 노이즈를 제거한다. 입력으로는 태양 중심부의 SDO/HMI 자기장지도 단일 프레임을 사용하였다. 표적으로는 입력과 같은 위치에서 태양 자전을 고려하여 선택한 SDO/HMI 자기장지도의 21 프레임을 평균하여 노이즈를 제거한 자기장지도를 사용하였다. 2013년 1월부터 2013년 10월까지 입력과 표적 7004쌍을 모델 훈련, 2013년 11월 707쌍을 모델 검증, 2013년 12월 736쌍을 모델 평가에 사용하였다. 그 결과, 우리는 다음과 같은 결과를 얻을 수 있었다. 1) 우리가 제안한 모델은 SDO/HMI 자기장지도의 노이즈를 성공적으로 제거하였고 모델이 노이즈를 제거한 자기장지도는 표적 자기장지도와 매우 일치한다. 2) 모델이 노이즈를 제거한 자기장지도의 평균 노이즈레벨은 3.5 G로 입력 자기장지도의 평균 노이즈레벨인 8.7 G에 비하여 매우 낮고, 표적 자기장지도의 평균 노이즈레벨인 3.5 G와 매우 근접하다. 3) 모델 결과물과 표적 자기장지도 사이의 평균 픽셀 간 상관계수 값은 0.93으로, 이는 입력 자기장지도와 표적 자기장지도 사이의 평균 픽셀 간 상관계수인 0.87에 비교해보았을 때 뚜렷한 개선을 보여주었다. 본 연구 결과는 긴 노출시간을 통한 관측과 많은 관측 자료의 통합을 통하여 신호대 잡음비를 향상시키는 많은 과학 분야에 딥러닝이 적용될 수 있음을 보여준다. 주요어: 태양:흑점폭발 | 태양:대기 | 태양:자기장
In this thesis, we have applied deep learning method to the solar flare forecasting, generation of solar ultraviolet (UV) and extreme UV (EUV) images, and denoising solar magnetograms.
Firstly, we present the application of the convolutional neural network (CNN) to the forecast of solar fla...
In this thesis, we have applied deep learning method to the solar flare forecasting, generation of solar ultraviolet (UV) and extreme UV (EUV) images, and denoising solar magnetograms.
Firstly, we present the application of the convolutional neural network (CNN) to the forecast of solar flare occurrence. For this, we consider three CNN models (two pretrained models, AlexNet and GoogLeNet, and one newly proposed model). Our inputs are Solar and Heliospheric Observatory (SoHO)/Michelson Doppler Imager (from 1996 May to 2010 December) and Solar Dynamics Observatory (SDO)/Helioseismic and Magnetic Imager (from 2011 January to 2017 June) full-disk magnetograms at 00:00 UT. Model outputs are the “Yes or No” of daily flare occurrence (C, M, and X classes) and they are compared with GOES observations. We train the models using the input data and observations from 1996 to 2008, covering the entire solar cycle 23, and test them using the data sets from 2009 to 2017, covering solar cycle 24. Then we compare the results of the CNN models with those of three previous flare forecast models in view of statistical scores. The major results from this study are as follows. First, we successfully apply CNN to the full-disk solar magnetograms without any preprocessing or feature extraction. Second, the results of our CNN models are slightly better in Heidke skill score and true skill statistics, and considerably better in false alarm ratio (FAR) and critical success index than the previous solar flare forecasting models. Third, our proposed model has better values of all statistical scores except for FAR, than the other two pretrained models. Our results indicate a sufficient possibility that deep learning methods can improve the capability of the solar flare forecast as well as similar types of forecast problems.
Secondly, we apply deep learning methods to the image-to-image translation from solar magnetograms to solar UV and EUV images. For this, We consider two CNN models with different loss functions, one (Model A) is with L1 loss, and the other (Model B) is with L1 loss and cGAN loss. We train the models using pairs of SDO/Atmospheric Imaging Assembly (AIA) 9 passbands (94, 131, 171, 193, 211, 304, 335, 1600, and 1700 Å) UV/EUV images and their corresponding SDO/HMI line-of-sight (LOS) magnetograms from 2011 to 2016. We evaluate the models by comparing pairs of SDO/AIA images and corresponding generated ones in 2017. Our main results from this study are as follows. First, the models successfully generate SDO/AIA like solar UV and EUV images from SDO/HMI LOS magnetograms. Second, in view of three metrics (pixel-to-pixel correlation coefficient, relative error and the percentage of pixels having errors less than 10%), the results from Model A are mostly comparable or slightly better than those from Model B. Third, in view of root mean square contrast measure, the generated images by Model A are much blurred than those by Model B because of cGAN loss specialized for generating real-like images.
Thirdly, we apply a deep learning model to denoising solar magnetograms. This model is based on deep convolutional generative adversarial network with a conditional loss for the image-to-image translation from a single magnetogram (input) to a stacked magnetogram (target). For the input magnetogram, we use SDO/HMI line-of-sight magnetograms at the center of solar disk. For the target magnetogram, we make 21-frame-stacked magnetograms taking into account solar rotation at the same position. We train a model using 7004 pairs of the input and target magnetograms from 2013 January to 2013 October. Then we validate the model using 707 pairs on 2013 November and test the model using 736 pairs on 2013 December. Our results from this study are as follows. First, our model successfully denoise SDO/HMI magnetograms and the denoised magnetograms from our model are mostly consistent with the target magnetograms. Second, the average noise level of the denoised magnetograms is greatly reduced from 8.7 G to 3.5 G, and it is consistent with that of the target magnetograms, 3.5 G. Third, the average pixel-to-pixel correlation coefficient value increases from 0.87 (input) to 0.93 (denoised), which means that the denoised magnetograms are more consistent with the target ones than the input ones. Our results can be applied to many scientific fields in which the integration of many frames (or long exposure observations) are used to improve the signal-to-noise ratio.
In this thesis, we have applied deep learning method to the solar flare forecasting, generation of solar ultraviolet (UV) and extreme UV (EUV) images, and denoising solar magnetograms.
Firstly, we present the application of the convolutional neural network (CNN) to the forecast of solar flare occurrence. For this, we consider three CNN models (two pretrained models, AlexNet and GoogLeNet, and one newly proposed model). Our inputs are Solar and Heliospheric Observatory (SoHO)/Michelson Doppler Imager (from 1996 May to 2010 December) and Solar Dynamics Observatory (SDO)/Helioseismic and Magnetic Imager (from 2011 January to 2017 June) full-disk magnetograms at 00:00 UT. Model outputs are the “Yes or No” of daily flare occurrence (C, M, and X classes) and they are compared with GOES observations. We train the models using the input data and observations from 1996 to 2008, covering the entire solar cycle 23, and test them using the data sets from 2009 to 2017, covering solar cycle 24. Then we compare the results of the CNN models with those of three previous flare forecast models in view of statistical scores. The major results from this study are as follows. First, we successfully apply CNN to the full-disk solar magnetograms without any preprocessing or feature extraction. Second, the results of our CNN models are slightly better in Heidke skill score and true skill statistics, and considerably better in false alarm ratio (FAR) and critical success index than the previous solar flare forecasting models. Third, our proposed model has better values of all statistical scores except for FAR, than the other two pretrained models. Our results indicate a sufficient possibility that deep learning methods can improve the capability of the solar flare forecast as well as similar types of forecast problems.
Secondly, we apply deep learning methods to the image-to-image translation from solar magnetograms to solar UV and EUV images. For this, We consider two CNN models with different loss functions, one (Model A) is with L1 loss, and the other (Model B) is with L1 loss and cGAN loss. We train the models using pairs of SDO/Atmospheric Imaging Assembly (AIA) 9 passbands (94, 131, 171, 193, 211, 304, 335, 1600, and 1700 Å) UV/EUV images and their corresponding SDO/HMI line-of-sight (LOS) magnetograms from 2011 to 2016. We evaluate the models by comparing pairs of SDO/AIA images and corresponding generated ones in 2017. Our main results from this study are as follows. First, the models successfully generate SDO/AIA like solar UV and EUV images from SDO/HMI LOS magnetograms. Second, in view of three metrics (pixel-to-pixel correlation coefficient, relative error and the percentage of pixels having errors less than 10%), the results from Model A are mostly comparable or slightly better than those from Model B. Third, in view of root mean square contrast measure, the generated images by Model A are much blurred than those by Model B because of cGAN loss specialized for generating real-like images.
Thirdly, we apply a deep learning model to denoising solar magnetograms. This model is based on deep convolutional generative adversarial network with a conditional loss for the image-to-image translation from a single magnetogram (input) to a stacked magnetogram (target). For the input magnetogram, we use SDO/HMI line-of-sight magnetograms at the center of solar disk. For the target magnetogram, we make 21-frame-stacked magnetograms taking into account solar rotation at the same position. We train a model using 7004 pairs of the input and target magnetograms from 2013 January to 2013 October. Then we validate the model using 707 pairs on 2013 November and test the model using 736 pairs on 2013 December. Our results from this study are as follows. First, our model successfully denoise SDO/HMI magnetograms and the denoised magnetograms from our model are mostly consistent with the target magnetograms. Second, the average noise level of the denoised magnetograms is greatly reduced from 8.7 G to 3.5 G, and it is consistent with that of the target magnetograms, 3.5 G. Third, the average pixel-to-pixel correlation coefficient value increases from 0.87 (input) to 0.93 (denoised), which means that the denoised magnetograms are more consistent with the target ones than the input ones. Our results can be applied to many scientific fields in which the integration of many frames (or long exposure observations) are used to improve the signal-to-noise ratio.
AI-Helper
※ AI-Helper는 부적절한 답변을 할 수 있습니다.